CN112305378B - 一种光电复合海缆故障测距系统及故障测距方法 - Google Patents

一种光电复合海缆故障测距系统及故障测距方法 Download PDF

Info

Publication number
CN112305378B
CN112305378B CN202011131291.XA CN202011131291A CN112305378B CN 112305378 B CN112305378 B CN 112305378B CN 202011131291 A CN202011131291 A CN 202011131291A CN 112305378 B CN112305378 B CN 112305378B
Authority
CN
China
Prior art keywords
fault
traveling wave
grasshopper
individual
updated
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011131291.XA
Other languages
English (en)
Other versions
CN112305378A (zh
Inventor
王稼铭
李光炬
甘维明
邢锰
陈为俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanhai Research Station Institute Of Acoustics Chinese Academy Of Sciences
Original Assignee
Nanhai Research Station Institute Of Acoustics Chinese Academy Of Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanhai Research Station Institute Of Acoustics Chinese Academy Of Sciences filed Critical Nanhai Research Station Institute Of Acoustics Chinese Academy Of Sciences
Priority to CN202011131291.XA priority Critical patent/CN112305378B/zh
Publication of CN112305378A publication Critical patent/CN112305378A/zh
Application granted granted Critical
Publication of CN112305378B publication Critical patent/CN112305378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/11—Locating faults in cables, transmission lines, or networks using pulse reflection methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Locating Faults (AREA)

Abstract

本发明属于光电复合海缆故障测距技术领域，具体地说，涉及一种光电复合海缆故障测距系统，包括：第一电流行波传感器，用于实时采集任一故障点的故障电流行波信号，获得任一故障点的故障数据；第二电流传感器，用于判断第一电流行波传感器采集的故障点是否在预先设定的区内故障段内；并根据判断结果，获取与第一电流行波传感器采集的相同故障点的故障行波的波速度；故障行波采集器，用于根据预先设定的区内故障段，采集每一个故障点的故障数据和对应的故障行波的波速度，并将其通过数据传输网络，传送至故障行波综合分析处理器；故障行波综合分析处理器，用于采用FAVMD算法，获得该故障点的故障初始行波和故障反射行波波头到达时间差，获取该故障点的位置。

Description

一种光电复合海缆故障测距系统及故障测距方法
技术领域
本发明属于光电复合海缆故障测距技术领域，具体地说，涉及一种光电复合海缆故障测距系统及故障测距方法。
背景技术
缆系海底科学观测网是实现长期、原位、实时、立体和高分辨率观测深海大洋的关键工具。缆系海底科学观测网的稳定持续运行依赖于光电复合海缆(简称海缆)可靠地供给电能和传输数据，系统运行过程中，人为破坏及海底地理环境变化等因素会引发海缆故障，为尽早地抢修系统，恢复远供能力，快速精确地定位海缆故障位置就成为保障系统正常运行的关键技术。
现有海缆故障测距方案主要是通过水下遥控机器人在海缆上探测特定频率的交变电流产生的同频交变磁场，来寻找海缆故障点，耗时长且花费高。另外，现有的方法还可以根据海缆电阻及海缆压降应用于点对点的低阻故障定位方法，寻找海缆故障点，但是，该方法对线路参数的准确度要求很高，不易实施，可操作性差。此外，现有的方法还可以根据基尔霍夫电流定律和干线电流在拉普拉斯变换域内变化的平均误差值判定海缆故障点，但是，该方法只能识别短路故障的主节点和海缆区段，无法进行精确定位。
行波测距是应用于架空线路及陆地电缆线路的精确故障定位方法，通过等距划分线路，构建各节点的基准行波波头到达时差矩阵和行波从故障点到各线路端点的到达时差矩阵，对两个矩阵的差做范数运算，求取最小值，以最小值所对应的节点作为故障点来定位故障点，但是，面对长距离的海缆线路，构建间距为50m的节点基准时差矩阵工作量过大，不满足实际工程需求。
发明内容
为解决现有技术存在的上述缺陷，本发明提出了一种光电复合海缆故障测距系统，能够实时监测线路运行状况，并当线路故障时，通过两个电流行波传感器分别采集故障行波和波速度，传送至故障采集与处理子系统，记录和分析故障数据，且能将其传送至故障综合分析子系统进行分析定位故障点；同时在利用信号处理算法确定故障发生时刻及其持续时间的过程中，现有的方法中存在的小波变换选取不同的小波基函数会结果不同，希尔伯特黄变换存在严重的高频振荡及模态混叠问题，以及变分模态分解算法存在变换效果取决于分解参数的问题。本发明的方法为了解决上述问题，采用快速自适应变分模态分解(Fast Adaptive Variational Mode Decomposition，FAVMD)自适应地分解故障行波电流信号，并根据能量比值准则重构特征信号，利用一维信号的腐蚀与膨胀操作算子
Figure BDA0002735253940000021
检测暂态特征，确定故障初始行波波头与反射行波波头的到达时刻，实现故障的精准测距。
本发明提供了一种光电复合海缆故障测距系统，该系统包括：第一电流行波传感器、第二电流行波传感器、故障行波采集器和故障行波综合分析处理器；
岸基电气设备与水下负载通过光电复合海缆连接，第一电流行波传感器安装在岸基电气设备与光电复合海缆的首端的连接处，第二电流行波传感器安装在光电复合海缆的中间位置处；
所述第一电流行波传感器，用于实时采集任一故障点的故障电流行波信号，获得任一故障点的故障数据；所述故障数据包括：故障行波的初始波头和反射波头；
所述第二电流传感器，用于判断第一电流行波传感器采集的故障点是否在预先设定的区内故障段内；并根据判断结果，获取与第一电流行波传感器采集的相同故障点的、故障行波的波速度；
所述故障行波采集器，用于根据预先设定的区内故障段，采集每一个故障点的故障数据和对应的故障行波的波速度，并将其通过数据传输网络，传送至故障行波综合分析处理器；
所述故障行波综合分析处理器，用于根据每一个故障点的故障电流行波信号，采用FAVMD算法，获得该故障点的故障初始行波和故障反射行波波头到达时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距。
作为上述技术方案的改进之一，所述系统还包括：远程维护子系统，用于分别获取故障行波采集器和故障行波综合分析处理器的暂态信息，实时监测和维护故障行波采集器、故障行波综合分析处理器的运行状态，及时处理相应的故障。
作为上述技术方案的改进之一，所述第二电流传感器的具体实现过程如下：
光电复合海缆的首端和末端分别记为M、N；光电复合海缆的中间位置，记为P；第一电流行波传感器安装在首端M，第二电流传感器安装在中间位置P；
MP段光电复合海缆的故障区段为区内故障段，PN段光电复合海缆的故障区段为区外故障段；
利用皮尔逊相关系数，判断第一电流行波传感器实时采集的故障点是否为区内故障段：
Figure BDA0002735253940000031
其中，ρX，Y为皮尔逊相关系数；X、Y分别为光电复合海缆中任意两个检测点处的电流信号；σx、σy分别是X、Y的标准差；
Figure BDA0002735253940000033
分别是X、Y的平均值；s为协方差；Xj为光电复合海缆中任意两个检测点中的一个检测点处的电流信号X在第j个采样点处的幅值；Yj为光电复合海缆中任意两个检测点中的另一个检测点处的电流信号Y在第j个采样点处的幅值；
如果ρX，Y＞0，则判定第一电流行波传感器采集的故障点不在预先设定的区内故障段内，删除该故障点；
如果ρX，Y＜0，则判定第一电流行波传感器采集的故障点在预先设定的区内故障段内，获取与第一电流行波传感器采集的相同的故障点的故障电流行波信号的故障行波的波速度；
第二电流传感器采集该故障点的故障行波初次从M端传播至P端的时间t1p，以及该故障点的故障行波初次从P端反射回M端的时间t2p，根据已知的MP段的距离，获取该故障点的故障行波的波速度：
Figure BDA0002735253940000032
其中，L′为光电复合海缆的总长度；v为该故障点的故障行波的波速度。
作为上述技术方案的改进之一，所述故障行波综合分析处理器的具体实现过程如下：
采用蚱蜢算法对每一个故障点的故障电流行波信号进行分解参数寻优，并根据设置的最优参数组合对故障点的故障电流行波信号进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数，再根据能量比值准则，选取多个中心频率从低到高的固有模态函数重构特征信号；
再利用一维信号的腐蚀与膨胀操作算子，对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达光电复合海缆的中间位置的时刻t1M与反射行波波头到达光电复合海缆的中间位置的时刻t2M的时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距。
作为上述技术方案的改进之一，所述采用蚱蜢算法对每一个故障点的故障电流行波信号进行分解参数寻优，并根据设置的最优参数组合对故障点的故障电流行波信号进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数重构特征信号；具体为：
初始化初始固有模态函数
Figure BDA0002735253940000041
初始中心频率
Figure BDA0002735253940000042
初始拉格朗日算子{λ1}，k＝1，n＝1，构造关于拉格朗日算子λ的成本函数J：
Figure BDA0002735253940000043
其中，
Figure BDA0002735253940000044
为固有模态函数；ωk为中心频率；
Figure BDA0002735253940000045
为故障电流行波信号；α为二次惩罚因子；ω为频率变量；
Figure BDA0002735253940000046
为拉格朗日算子关于频率的函数；k为分解层数；n为VMD分解当前所处的迭代次数；
采用涅斯捷罗夫梯度加速法，对拉格朗日算子λ做二次更新；
Figure BDA0002735253940000047
Figure BDA0002735253940000048
其中，
Figure BDA0002735253940000049
为第n次迭代中拉格朗日算子变化量；ρ为动量因子，取值范围为(0，1)；
Figure BDA00027352539400000410
为第n-1次迭代中拉格朗日算子的变化量；η为学习率，取值范围也为(0，1)；
Figure BDA00027352539400000411
为拉格朗日算子λ的成本函数Ｊ的梯度；
Figure BDA00027352539400000412
为拉格朗日算子关于频率的函数；τ为更新参数；
获得二次更新后的拉格朗日算子变化量
Figure BDA00027352539400000413
根据
Figure BDA00027352539400000414
更新固有模态函数
Figure BDA00027352539400000415
得到更新后的固有模态函数；
根据
Figure BDA00027352539400000416
更新中心频率ωk，得到更新后的中心频率；
根据
Figure BDA00027352539400000417
更新拉格朗日算子参数，得到二次更新后的拉格朗日算子变化量
Figure BDA00027352539400000418
重复上述过程，进行不断迭代，直至迭代次数耗尽或满足
Figure BDA00027352539400000419
Figure BDA00027352539400000420
的迭代条件，则停止迭代，并输出迭代分解结果；
其中，所述迭代分解结果包括：多个更新后的中心频率从低到高的固有模态函数；
其中，ε为迭代停止阈值；
上述过程为采用蚱蜢算子位置做快速迭代分解的具体过程；
初始化蚱蜢种群个体数量N、种群维度D、迭代次数L、参数C，算法空间搜索域D维度上的下界ud与上界ld；
初始化蚱蜢种群个体数量N中每个蚱蜢个体的初始位置：
Figure BDA0002735253940000051
其中，
Figure BDA0002735253940000052
为第i个蚱蜢个体在D维空间中的位置；rand为产生(0，1)内随机数的函数；
将分解参数K和α作为第i个蚱蜢个体在二维空间中的坐标位置；
采用最小能量熵作为适应度函数，则蚱蜢种群的适应度函数为：
Figure BDA0002735253940000053
其中，fitness为蚱蜢种群的适应度函数；n为更新后的固有模态函数的个数；
Figure BDA0002735253940000054
Figure BDA0002735253940000055
其中，Pq为第q个更新后的固有模态函数的能量占更新后的中心频率从低到高的所有固有模态函数的总体能量的比值；
Figure BDA0002735253940000056
其中，imf(q)为更新后的固有模态函数的频域函数；Eq为第q个固有模态函数的能量；E为更新后的中心频率从低到高的所有固有模态函数的总体能量；
根据蚱蜢种群的适应度函数，比较每个蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为最优蚱蜢个体，并更新和记录每个蚱蜢个体的位置；
利用上述快速迭代分解过程，对每个更新后的蚱蜢个体的位置再做迭代分解，计算每个更新后的蚱蜢个体的适应度函数值，进而比较多个更新后的蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为更新后的最优蚱蜢个体；
判断此次更新后的最优蚱蜢个体对应的适应度函数值是否小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值：
如果此次更新后的最优蚱蜢个体对应的适应度函数值小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则更新上一次迭代分解得到的更新后的最优蚱蜢个体，将上一次迭代分解得到的更新后的最优蚱蜢个体替换为此次迭代分解得到的更新后的最优蚱蜢个体；
如果更新后的最优蚱蜢个体对应的适应度函数值大于或等于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则不更新；
根据预先设定的迭代次数L，重复上述过程，直至迭代次数耗尽，停止迭代，最终获得针对蚱蜢种群的、最新的、最优蚱蜢个体及其对应的位置；其中，针对蚱蜢种群的、最新的、最优蚱蜢个体记为gbest；
上述迭代结束后，针对蚱蜢种群的、最新的、最优蚱蜢个体的位置表达式为：
Figure BDA0002735253940000061
其中，
Figure BDA0002735253940000062
为迭代结束后，最新的最优蚱蜢个体的位置；
Figure BDA0002735253940000063
为第n个蚱蜢个体的坐标位置；
Figure BDA0002735253940000064
为第m个蚱蜢个体的坐标位置；xn为第n个蚱蜢个体的位置；xm为第m个蚱蜢个体的位置；dmn为第n个蚱蜢个体与第m个蚱蜢个体间的欧式距离；S(|xn-xm|)为第n个蚱蜢个体与第m个蚱蜢个体间的吸引力或排斥力；
Figure BDA0002735253940000065
为当前蚱蜢种群的、最新的、最优蚱蜢个体gbest的位置；c为更新因子；
Figure BDA0002735253940000066
其中，cmax为更新参数的最大值；cmin为更新参数的最小值；l为当前迭代次数；L为预先设定的迭代次数；
将针对蚱蜢种群的、最新的、最优蚱蜢个体的位置转化为坐标形式，记为
Figure BDA0002735253940000067
(K，α)，并提取针对蚱蜢种群的、最新的、最优蚱蜢个体的坐标位置中的K和α，获得参数组合[K，α]＝arg min fitness；
根据获得的参数组合，对最新的最优蚱蜢个体的位置
Figure BDA0002735253940000068
进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数中能量熵最小且能量比值最大的固有模态函数的IMF分量重构特征信号。
作为上述技术方案的改进之一，所述利用一维信号的腐蚀与膨胀操作算子，对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达光电复合海缆的中间位置的时刻t1M与反射行波波头到达光电复合海缆的中间位置的时刻t2M的时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距；具体为：
假设算子
Figure BDA0002735253940000071
具有如下表达式：
Figure BDA0002735253940000072
其中，
Figure BDA0002735253940000073
为经提取信号上边沿经结构元素g+处理n次的信号；
Figure BDA0002735253940000074
为经提取信号下边沿经结构元素g -处理n-1次的信号；
Figure BDA0002735253940000075
Figure BDA0002735253940000076
其中，
Figure BDA0002735253940000077
为经提取信号上边沿经结构元素g+提取n次的源信号；
Figure BDA0002735253940000078
为经提取信号下边沿经结构元素g-提取n-1次的源信号；
级联N个算子
Figure BDA0002735253940000079
获得一维信号的腐蚀与膨胀操作算子
Figure BDA00027352539400000710
并根据获得的
Figure BDA00027352539400000711
对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻t1M，和反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻t2M，进而获得t1M和t2M的时间差，再结合该故障点对应的故障行波的波速度v，获取该故障点的位置，实现故障测距：
Figure BDA00027352539400000712
其中，d1为该故障点的位置的故障距离；t1M为故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻；t2M为反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻。
本发明还提供了一种光电复合海缆故障测距方法，该方法包括：
第一电流行波传感器实时采集任一故障点的故障电流行波信号，获得任一故障点的故障数据；所述故障数据包括：故障行波的初始波头和反射波头；
第二电流传感器判断第一电流行波传感器采集的故障点是否在预先设定的区内故障段内；并根据判断结果，获取与第一电流行波传感器采集的相同的故障点的故障电流行波信号的故障行波的波速度；
故障行波采集器根据预先设定的区内故障段，采集每一个故障点的故障数据和对应的故障行波的波速度，并将其通过数据传输网络，传送至故障行波综合分析处理器；
故障行波综合分析处理器根据每一个故障点的故障电流行波信号，采用FAVMD算法，获得该故障点的故障初始行波和故障反射行波波头到达时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距。
作为上述技术方案的改进之一，所述故障行波综合分析处理器根据每一个故障点的故障电流行波信号，采用FAVMD算法，获得该故障点的故障初始行波和故障反射行波波头到达时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距具体为：
采用蚱蜢算法对每一个故障点的故障电流行波信号进行分解参数寻优，并根据设置的最优参数组合对故障点的故障电流行波信号进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数重构特征信号，再利用一维信号的腐蚀与膨胀操作算子，对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达光电复合海缆的中间位置的时刻t1M与反射行波波头到达光电复合海缆的中间位置的时刻t2M的时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距。
作为上述技术方案的改进之一，所述采用蚱蜢算法对每一个故障点的故障电流行波信号进行分解参数寻优，并根据设置的最优参数组合对故障点的故障电流行波信号进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数重构特征信号；具体为：
初始化初始固有模态函数
Figure BDA0002735253940000081
初始中心频率
Figure BDA0002735253940000082
初始拉格朗日算子{λ1}，k＝1，n＝1，构造关于拉格朗日算子λ的成本函数J：
Figure BDA0002735253940000083
其中，
Figure BDA0002735253940000084
为固有模态函数；ωk为中心频率；
Figure BDA0002735253940000085
为故障电流行波信号；α为二次惩罚因子；ω为频率变量；
Figure BDA0002735253940000086
为拉格朗日算子关于频率的函数；k为分解层数；n为VMD分解当前所处的迭代次数；
采用涅斯捷罗夫梯度加速法，对拉格朗日算子λ做二次更新；
Figure BDA0002735253940000091
Figure BDA0002735253940000092
其中，
Figure BDA0002735253940000093
为第n次迭代中拉格朗日算子变化量；ρ为动量因子，取值范围为(0，1)；
Figure BDA0002735253940000094
为第n-1次迭代中拉格朗日算子的变化量；η为学习率，取值范围也为(0，1)；
Figure BDA0002735253940000095
为拉格朗日算子λ的成本函数Ｊ的梯度；
Figure BDA0002735253940000096
为拉格朗日算子关于频率的函数；τ为更新参数；
获得二次更新后的拉格朗日算子变化量
Figure BDA0002735253940000097
根据
Figure BDA0002735253940000098
更新固有模态函数
Figure BDA0002735253940000099
得到更新后的固有模态函数；
根据
Figure BDA00027352539400000910
更新中心频率ωk，得到更新后的中心频率；
根据
Figure BDA00027352539400000911
更新拉格朗日算子参数，得到二次更新后的拉格朗日算子变化量
Figure BDA00027352539400000912
重复上述过程，进行不断迭代，直至迭代次数耗尽或满足
Figure BDA00027352539400000913
Figure BDA00027352539400000914
的迭代条件，则停止迭代，并输出迭代分解结果；
其中，所述迭代分解结果包括：多个更新后的中心频率从低到高的固有模态函数
其中，ε为迭代停止阈值；
上述过程为采用蚱蜢算子位置做快速迭代分解的具体过程；
初始化蚱蜢种群个体数量N、种群维度D、迭代次数L、参数C，算法空间搜索域D维度上的下界ud与上界ld；
初始化蚱蜢种群个体数量N中每个蚱蜢个体的初始位置：
Figure BDA00027352539400000915
其中，
Figure BDA00027352539400000916
为第i个蚱蜢个体在D维空间中的位置；rand为产生(0，1)内随机数的函数；
将分解参数K和α作为第i个蚱蜢个体在二维空间中的坐标位置；
采用最小能量熵作为适应度函数，则蚱蜢种群的适应度函数为：
Figure BDA00027352539400000917
其中，fitness为蚱蜢种群的适应度函数；n为更新后的固有模态函数的个数；q为迭代分解后得到的固有模态函数的个数；
Figure BDA0002735253940000101
其中，Pq为第q个更新后的固有模态函数的能量占更新后的中心频率从低到高的所有固有模态函数的总体能量的比值；
Figure BDA0002735253940000102
其中，imf(i)为更新后的固有模态函数的频域函数；Ei为第i个固有模态函数的能量；E为更新后的中心频率从低到高的所有固有模态函数的总体能量；
根据蚱蜢种群的适应度函数，比较每个蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为最优蚱蜢个体，并更新和记录每个蚱蜢个体的位置；
利用上述快速迭代分解过程，对每个更新后的蚱蜢个体的位置再做迭代分解，计算每个更新后的蚱蜢个体的适应度函数值，进而比较多个更新后的蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为更新后的最优蚱蜢个体；
判断此次更新后的最优蚱蜢个体对应的适应度函数值是否小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值：
如果此次更新后的最优蚱蜢个体对应的适应度函数值小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则更新上一次迭代分解得到的更新后的最优蚱蜢个体，将上一次迭代分解得到的更新后的最优蚱蜢个体替换为此次迭代分解得到的更新后的最优蚱蜢个体；
如果更新后的最优蚱蜢个体对应的适应度函数值大于或等于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则不更新；
根据预先设定的迭代次数L，重复上述过程，直至迭代次数耗尽，停止迭代，最终获得针对蚱蜢种群的、最新的、最优蚱蜢个体及其对应的位置；其中，针对蚱蜢种群的、最新的、最优蚱蜢个体记为gbest；
上述迭代结束后，针对蚱蜢种群的、最新的、最优蚱蜢个体的位置表达式为：
Figure BDA0002735253940000103
其中，
Figure BDA0002735253940000104
为迭代结束后，最新的最优蚱蜢个体的位置；
Figure BDA0002735253940000105
为第n个蚱蜢个体的坐标位置；
Figure BDA0002735253940000106
为第m个蚱蜢个体的坐标位置；xn为第n个蚱蜢个体的位置；xm为第m个蚱蜢个体的位置；dmn为第n个蚱蜢个体与第m个蚱蜢个体间的欧式距离；S(|xn-xm|)为第n个蚱蜢个体与第m个蚱蜢个体间的吸引力或排斥力；
Figure BDA0002735253940000111
为当前蚱蜢种群的、最新的、最优蚱蜢个体gbest的位置；c为更新因子；
Figure BDA0002735253940000112
其中，cmax为更新参数的最大值；cmin为更新参数的最小值；l为当前迭代次数；L为预先设定的迭代次数；
将针对蚱蜢种群的、最新的、最优蚱蜢个体的位置转化为坐标形式，记为
Figure BDA00027352539400001114
(K，α)，并提取针对蚱蜢种群的、最新的、最优蚱蜢个体的坐标位置中的K和α，获得参数组合[K，α]＝arg min fitness；
根据获得的参数组合，对最新的最优蚱蜢个体的位置
Figure BDA00027352539400001115
进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数中能量熵最小且能量比值最大的固有模态函数的IMF分量重构特征信号。
作为上述技术方案的改进之一，所述利用一维信号的腐蚀与膨胀操作算子，对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达光电复合海缆的中间位置的时刻t1M与反射行波波头到达光电复合海缆的中间位置的时刻t2M的时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距；具体为：
假设算子
Figure BDA0002735253940000113
具有如下表达式：
Figure BDA0002735253940000114
其中，
Figure BDA0002735253940000115
为经提取信号上边沿经结构元素g+处理n次的信号；
Figure BDA0002735253940000116
为经提取信号下边沿经结构元素g-处理n-1次的信号；
Figure BDA0002735253940000117
Figure BDA0002735253940000118
其中，
Figure BDA0002735253940000119
为经提取信号上边沿经结构元素g+提取n次的源信号；
Figure BDA00027352539400001110
为经提取信号下边沿经结构元素g -提取n-1次的源信号；
级联N个算子
Figure BDA00027352539400001111
获得一维信号的腐蚀与膨胀操作算子
Figure BDA00027352539400001112
并根据获得的
Figure BDA00027352539400001113
对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻t1M，和反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻t2M，进而获得t1M和t2M的时间差，再结合该故障点对应的故障行波的波速度v，获取该故障点的位置，实现故障测距：
Figure BDA0002735253940000121
其中，d1为该故障点的位置的故障距离；t1M为故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻；t2M为反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻。
本发明与现有技术相比的有益效果是：
本发明的系统能实现对光电复合海缆的实时监测和对线路故障的实时定位；在数据处理方面，通过蚱蜢算法寻优且引入涅斯捷罗夫梯度加速法更新迭代拉格朗日算子的FAVMD算法，能快速自适应地将原始故障点的故障电流行波信号在频带上进行划分和分解，且根据能量比值准则，将带有信号突变特征的模态函数分量进行特征重构，得到特征重构信号，采用对细微变化具有敏感检测特性的一维信号的腐蚀与膨胀操作算子
Figure BDA0002735253940000122
就可以确定特征重构信号中故障初始行波波头及初次反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻，利用二者的时间差，结合故障点的故障行波的波速度，就可以快速、准确地获得故障点的位置，实现准确定位。
附图说明
图1是本发明的一种光电复合海缆故障测距系统的结构图；
图2是本发明的一种光电复合海缆故障测距方法的流程图；
图3是本发明的一种光电复合海缆故障测距方法的实施例中的蚱蜢算法的迭代收敛图；
图4是本发明的一种光电复合海缆故障测距方法的实施例中的经最优分解参数组合分解并重构特征信号的示意图；
图5是本发明的一种光电复合海缆故障测距方法的实施例中的对重构后的特征信号进行能量突变点检测，从而获得故障点的位置的示意图。
具体实施方式
现结合附图对本发明作进一步的描述。
如图1所示，本发明提供了一种光电复合海缆故障测距系统，该系统基于快速自适应变分模态分解算法FAVMD，针对系统运行过程中光电复合海缆发生接地故障所引发远供能力崩溃的状况，进行精确测距，能够精确找到海缆故障点，实现系统远供能力的快速抢修。另外，该系统根据FAVMD算法，对接地故障的电流信号做分解重构，并使用一维信号的腐蚀与膨胀操作算子
Figure BDA0002735253940000131
检测特征信号，精确测算故障距离。
该系统包括：第一电流行波传感器、第二电流行波传感器、故障行波采集器和故障行波综合分析处理器；
海底观测网试验系统采用单极直流负高压电源为光电复合海缆输电，采用故障行波单端测距结构，岸基电气设备与水下负载通过光电复合海缆连接，第一电流行波传感器安装在岸基电气设备与光电复合海缆的首端的连接处，第二电流行波传感器安装在光电复合海缆的中间位置处，故障行波采集器与第一电流行波传感器电连接，故障行波采集器通过数据传输网络与故障行波综合分析处理器无线连接，远程维护子系统通过数据传输网络分别与故障行波采集器和故障行波综合分析处理器无线连接；
所述第一电流行波传感器，用于实时采集任一故障点的故障电流行波信号，获得任一故障点的故障数据；所述故障数据包括：故障行波的初始波头和反射波头；
所述第二电流传感器，用于判断第一电流行波传感器采集的故障点是否在预先设定的区内故障段内；并根据判断结果，获取与第一电流行波传感器采集的相同的故障点的、故障电流行波信号的、故障行波的波速度；
具体地，设定光电复合海缆的首端和末端分别记为M、N；光电复合海缆的中间位置，记为P；第一电流行波传感器安装在首端M，第二电流传感器安装在中间位置P；
MP段光电复合海缆的故障区段为区内故障段，PN段光电复合海缆的故障区段为区外故障段；
利用皮尔逊相关系数，判断第一电流行波传感器实时采集的故障点是否为区内故障段：
Figure BDA0002735253940000141
其中，ρX，Y为皮尔逊相关系数；X、Y分别为光电复合海缆中任意两个检测点处的电流信号；σx、σy分别是X、Y的标准差；
Figure BDA0002735253940000142
分别是X、Y的平均值；s为协方差；Xj为光电复合海缆中任意两个检测点中的一个检测点处的电流信号X在第j个采样点处的幅值；Yj为光电复合海缆中任意两个检测点中的另一个检测点处的电流信号Y在第j个采样点处的幅值；
如果ρX，Y＞0，则判定第一电流行波传感器采集的故障点不在预先设定的区内故障段内，删除该故障点；
如果ρX，Y＜0，则判定第一电流行波传感器采集的故障点在预先设定的区内故障段内，获取与第一电流行波传感器采集的相同的故障点的故障电流行波信号的故障行波的波速度；
第二电流传感器采集该故障点的故障行波初次从M端传播至P端的时间t1p，以及该故障点的故障行波初次从P端反射回M端的时间t2p，根据已知的MP段的距离，获取该故障点的故障行波的波速度：
Figure BDA0002735253940000143
其中，L′为光电复合海缆的总长度；v为该故障点的故障行波的波速度。
所述故障行波采集器，用于根据预先设定的区内故障段，采集每一个故障点的故障数据和对应的故障行波的波速度，并将其通过数据传输网络，传送至故障行波综合分析处理器；
所述故障行波综合分析处理器，用于根据每一个故障点的故障电流行波信号，采用FAVMD算法，获得该故障点的故障初始行波和故障反射行波波头到达时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距。
具体地，采用蚱蜢算法对每一个故障点的故障电流行波信号进行分解参数寻优，并根据设置的最优参数组合对故障点的故障电流行波信号进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数重构特征信号；
具体地，初始化初始固有模态函数
Figure BDA0002735253940000144
初始中心频率
Figure BDA0002735253940000145
初始拉格朗日算子{λ1}，k＝1，n＝1，构造关于拉格朗日算子λ的成本函数J：
Figure BDA0002735253940000151
其中，
Figure BDA0002735253940000152
为固有模态函数；ωk为中心频率；
Figure BDA0002735253940000153
为故障电流行波信号；α为二次惩罚因子；ω为频率变量；
Figure BDA0002735253940000154
为拉格朗日算子关于频率的函数；k为分解层数；n为VMD分解当前所处的迭代次数；
采用涅斯捷罗夫梯度加速法，对拉格朗日算子λ做二次更新；
Figure BDA0002735253940000155
Figure BDA0002735253940000156
其中，
Figure BDA0002735253940000157
为第n次迭代中拉格朗日算子变化量；ρ为动量因子，取值范围为(0，1)；
Figure BDA0002735253940000158
为第n-1次迭代中拉格朗日算子的变化量；η为学习率，取值范围也为(0，1)；
Figure BDA0002735253940000159
为拉格朗日算子λ的成本函数Ｊ的梯度；
Figure BDA00027352539400001510
为拉格朗日算子关于频率的函数；τ为更新参数；
获得二次更新后的拉格朗日算子变化量
Figure BDA00027352539400001511
根据
Figure BDA00027352539400001512
更新固有模态函数
Figure BDA00027352539400001513
得到更新后的固有模态函数；
根据
Figure BDA00027352539400001514
更新中心频率ωk，得到更新后的中心频率；
根据
Figure BDA00027352539400001515
更新拉格朗日算子参数，得到二次更新后的拉格朗日算子变化量
Figure BDA00027352539400001516
重复上述过程，进行不断迭代，直至迭代次数耗尽或满足
Figure BDA00027352539400001517
Figure BDA00027352539400001518
的迭代条件，则停止迭代，并输出迭代分解结果；
其中，所述迭代分解结果包括：多个更新后的中心频率从低到高的固有模态函数；
其中，ε为迭代停止阈值；
上述过程为采用蚱蜢算子位置做快速迭代分解的具体过程；
初始化蚱蜢种群个体数量N、种群维度D、迭代次数L、参数C，算法空间搜索域D维度上的下界ud与上界ld；
初始化蚱蜢种群个体数量N中每个蚱蜢个体的初始位置：
Figure BDA00027352539400001519
其中，
Figure BDA0002735253940000161
为第i个蚱蜢个体在D维空间中的位置；rand为产生(0，1)内随机数的函数；
将分解参数K和α作为第i个蚱蜢个体在二维空间中的坐标位置；
采用最小能量熵作为适应度函数，则蚱蜢种群的适应度函数为：
Figure BDA0002735253940000162
其中，fitness为蚱蜢种群的适应度函数；n为更新后的固有模态函数的个数；
Figure BDA0002735253940000163
Figure BDA0002735253940000164
其中，Pq为第q个更新后的固有模态函数的能量占更新后的中心频率从低到高的所有固有模态函数的总体能量的比值；
Figure BDA0002735253940000165
其中，imf(q)为更新后的固有模态函数的频域函数；Eq为第q个固有模态函数的能量；E为更新后的中心频率从低到高的所有固有模态函数的总体能量。
蚱蜢种群以蚱蜢种群的适应度函数为评价指标，对故障点的故障电流行波信号进行快速迭代分解，每进行一次迭代，每个蚱蜢个体的位置都会进行更新，获得此次迭代中每个蚱蜢个体更新后的位置，根据蚱蜢种群的适应度函数，比较每个蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为最优蚱蜢个体，并更新和记录每个蚱蜢个体的位置；
利用上述快速迭代分解过程，对每个更新后的蚱蜢个体的位置再做迭代分解，计算每个更新后的蚱蜢个体的适应度函数值，进而比较多个更新后的蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为更新后的最优蚱蜢个体；
判断此次更新后的最优蚱蜢个体对应的适应度函数值是否小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值：
如果此次更新后的最优蚱蜢个体对应的适应度函数值小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则更新上一次迭代分解得到的更新后的最优蚱蜢个体，将上一次迭代分解得到的更新后的最优蚱蜢个体替换为此次迭代分解得到的更新后的最优蚱蜢个体；
如果更新后的最优蚱蜢个体对应的适应度函数值大于或等于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则不更新；
根据预先设定的迭代次数L，重复上述过程，直至迭代次数耗尽，停止迭代，最终获得针对蚱蜢种群的、最新的、最优蚱蜢个体及其对应的位置；其中，针对蚱蜢种群的、最新的、最优蚱蜢个体记为gbest；
上述迭代结束后，针对蚱蜢种群的、最新的、最优蚱蜢个体的位置表达式为：
Figure BDA0002735253940000171
其中，
Figure BDA0002735253940000172
为迭代结束后，最新的最优蚱蜢个体的位置；
Figure BDA0002735253940000173
为第n个蚱蜢个体的坐标位置；
Figure BDA0002735253940000174
为第m个蚱蜢个体的坐标位置；xn为第n个蚱蜢个体的位置；xm为第m个蚱蜢个体的位置；dmn为第n个蚱蜢个体与第m个蚱蜢个体间的欧式距离；S(|xn-xm|)为第n个蚱蜢个体与第m个蚱蜢个体间的吸引力或排斥力；
Figure BDA0002735253940000175
为当前蚱蜢种群的、最新的、最优蚱蜢个体gbest的位置；c为更新因子；
Figure BDA0002735253940000176
其中，cmax为更新参数的最大值；cmin为更新参数的最小值；l为当前迭代次数；L为预先设定的迭代次数；
将针对蚱蜢种群的、最新的、最优蚱蜢个体的位置转化为坐标形式，记为
Figure BDA0002735253940000177
(K，α)，并提取针对蚱蜢种群的、最新的、最优蚱蜢个体的坐标位置中的K和α，获得参数组合[K，α]＝arg min fitness；
根据获得的参数组合，对最新的最优蚱蜢个体的位置
Figure BDA00027352539400001712
进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数中能量熵最小且能量比值最大的固有模态函数的IMF(IntrinsicMode Function，固有模态函数)分量重构特征信号。
再利用一维信号的腐蚀与膨胀操作算子，对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达光电复合海缆的中间位置的时刻t1M与反射行波波头到达光电复合海缆的中间位置的时刻t2M的时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距。
具体地，假设算了
Figure BDA0002735253940000178
具有如下表达式：
Figure BDA0002735253940000179
其中，
Figure BDA00027352539400001710
为经提取信号上边沿经结构元素g+处理n次的信号；
Figure BDA00027352539400001711
为经提取信号下边沿经结构元素g-处理n-1次的信号；
Figure BDA0002735253940000181
Figure BDA0002735253940000182
其中，
Figure BDA0002735253940000183
为经提取信号上边沿经结构元素g+提取n次的源信号；
Figure BDA0002735253940000184
为经提取信号下边沿经结构元素g-提取n-1次的源信号；
级联N个算子
Figure BDA0002735253940000185
获得一维信号的腐蚀与膨胀操作算子
Figure BDA0002735253940000186
并根据获得的
Figure BDA0002735253940000187
对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻t1M，和反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻t2M，进而获得t1M和t2M的时间差，再结合该故障点对应的故障行波的波速度v，获取该故障点的位置，实现故障测距：
Figure BDA0002735253940000188
其中，t1M为故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻；t2M为反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻。
所述系统还包括：远程维护子系统，用于分别获取故障行波采集器和故障行波综合分析处理器的暂态信息，实时监测和维护故障行波采集器、故障行波综合分析处理器的运行状态，及时处理相应的故障。
本发明还提供了一种光电复合海缆故障测距方法，该方法基于上述光电复合海缆故障测距系统实现，该方法包括：
第一电流行波传感器实时采集任一故障点的故障电流行波信号，获得任一故障点的故障数据；所述故障数据包括：故障行波的初始波头和反射波头；
第二电流传感器判断第一电流行波传感器采集的故障点是否在预先设定的故障段内；并根据判断结果，获取与第一电流行波传感器采集的相同的故障点的故障电流行波信号的故障行波的波速度；
具体地，设定光电复合海缆的首端和末端分别记为M、N；光电复合海缆的中间位置，记为P；第一电流行波传感器安装在首端M，第二电流传感器安装在中间位置P；
MP段光电复合海缆的故障区段为区内故障段，PN段光电复合海缆的故障区段为区外故障段；
利用皮尔逊相关系数，判断第一电流行波传感器实时采集的故障点是否为区内故障段：
Figure BDA0002735253940000191
其中，ρX，Y为皮尔逊相关系数；X、Y分别为光电复合海缆中任意两个检测点处的电流信号；σx、σy分别是X、Y的标准差；
Figure BDA0002735253940000192
分别是X、Y的平均值；s为协方差；Xj为光电复合海缆中任意两个检测点中的一个检测点处的电流信号X在第j个采样点处的幅值；Yj为光电复合海缆中任意两个检测点中的另一个检测点处的电流信号Y在第j个采样点处的幅值；
如果ρX，Y＞0，则判定第一电流行波传感器采集的故障点不在预先设定的区内故障段内，删除该故障点；
如果ρX，Y＜0，则判定第一电流行波传感器采集的故障点在预先设定的区内故障段内，获取与第一电流行波传感器采集的相同的故障点的故障电流行波信号的故障行波的波速度；
第二电流传感器采集该故障点的故障行波初次从M端传播至P端的时间t1p，以及该故障点的故障行波初次从P端反射回M端的时间t2p，根据已知的MP段的距离，获取该故障点的故障行波的波速度：
Figure BDA0002735253940000193
其中，L′为光电复合海缆的总长度；v为该故障点的故障行波的波速度。
故障行波采集器根据预先设定的区内故障段，采集每一个故障点的故障数据和对应的故障行波的波速度，并将其通过数据传输网络，传送至故障行波综合分析处理器；
故障行波综合分析处理器根据每一个故障点的故障电流行波信号，采用FAVMD算法，获得该故障点的故障初始行波和故障反射行波波头到达时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距。
具体地，采用蚱蜢算法对每一个故障点的故障电流行波信号进行分解参数寻优，并根据设置的最优参数组合对故障点的故障电流行波信号进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数重构特征信号；
具体地，初始化初始固有模态函数
Figure BDA00027352539400002019
初始中心频率
Figure BDA00027352539400002020
初始拉格朗日算子{λ1}，k＝1，n＝1，构造关于拉格朗日算子λ的成本函数J：
Figure BDA0002735253940000201
其中，
Figure BDA0002735253940000202
为固有模态函数；ωk为中心频率；
Figure BDA0002735253940000203
为故障电流行波信号；α为二次惩罚因子；ω为频率变量；
Figure BDA0002735253940000204
为拉格朗日算子关于频率的函数；k为分解层数；n为VMD分解当前所处的迭代次数；
采用涅斯捷罗夫梯度加速法，对拉格朗日算子λ做二次更新；
Figure BDA0002735253940000205
Figure BDA0002735253940000206
其中，
Figure BDA0002735253940000207
为第n次迭代中拉格朗日算子变化量；ρ为动量因子，取值范围为(0，1)；
Figure BDA0002735253940000208
为第n-1次迭代中拉格朗日算子的变化量；η为学习率，取值范围也为(0，1)；
Figure BDA0002735253940000209
为拉格朗日算子λ的成本函数Ｊ的梯度；
Figure BDA00027352539400002010
为拉格朗日算子关于频率的函数；τ为更新参数；
获得二次更新后的拉格朗日算子变化量
Figure BDA00027352539400002011
根据
Figure BDA00027352539400002012
更新固有模态函数
Figure BDA00027352539400002013
得到更新后的固有模态函数；
根据
Figure BDA00027352539400002014
更新中心频率ωk，得到更新后的中心频率；
根据
Figure BDA00027352539400002015
更新拉格朗日算子参数，得到二次更新后的拉格朗日算子变化量
Figure BDA00027352539400002016
重复上述过程，进行不断迭代，直至迭代次数耗尽或满足
Figure BDA00027352539400002017
Figure BDA00027352539400002018
的迭代条件，则停止迭代，并输出迭代分解结果；
其中，所述迭代分解结果包括：多个更新后的中心频率从低到高的固有模态函数
其中，ε为迭代停止阈值；
上述过程为采用蚱蜢算子位置做快速迭代分解的具体过程；
初始化蚱蜢种群个体数量N、种群维度D、迭代次数L、参数C，算法空间搜索域D维度上的下界ud与上界ld；
初始化蚱蜢种群个体数量N中每个蚱蜢个体的初始位置：
Figure BDA0002735253940000211
其中，
Figure BDA0002735253940000212
为第i个蚱蜢个体在D维空间中的位置；rand为产生(0，1)内随机数的函数；
将分解参数K和α作为第i个蚱蜢个体在二维空间中的坐标位置；
采用最小能量熵作为适应度函数，则蚱蜢种群的适应度函数为：
Figure BDA0002735253940000213
其中，fitness为蚱蜢种群的适应度函数；n为更新后的固有模态函数的个数；q为迭代分解后得到的固有模态函数的个数；
Figure BDA0002735253940000214
其中，Pq为第q个更新后的固有模态函数的能量占更新后的中心频率从低到高的所有固有模态函数的总体能量的比值；
Figure BDA0002735253940000215
其中，imf(i)为更新后的固有模态函数的频域函数；Ei为第i个固有模态函数的能量；E为更新后的中心频率从低到高的所有固有模态函数的总体能量；
根据蚱蜢种群的适应度函数，比较每个蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为最优蚱蜢个体，并更新和记录每个蚱蜢个体的位置；
利用上述快速迭代分解过程，对每个更新后的蚱蜢个体的位置再做迭代分解，计算每个更新后的蚱蜢个体的适应度函数值，进而比较多个更新后的蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为更新后的最优蚱蜢个体；
判断此次更新后的最优蚱蜢个体对应的适应度函数值是否小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值：
如果此次更新后的最优蚱蜢个体对应的适应度函数值小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则更新上一次迭代分解得到的更新后的最优蚱蜢个体，将上一次迭代分解得到的更新后的最优蚱蜢个体替换为此次迭代分解得到的更新后的最优蚱蜢个体；
如果更新后的最优蚱蜢个体对应的适应度函数值大于或等于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则不更新；
根据预先设定的迭代次数L，重复上述过程，直至迭代次数耗尽，停止迭代，最终获得针对蚱蜢种群的、最新的、最优蚱蜢个体及其对应的位置；其中，针对蚱蜢种群的、最新的、最优蚱蜢个体记为gbest；
上述迭代结束后，针对蚱蜢种群的、最新的、最优蚱蜢个体的位置表达式为：
Figure BDA0002735253940000221
其中，
Figure BDA0002735253940000222
为迭代结束后，最新的最优蚱蜢个体的位置；
Figure BDA0002735253940000223
为第n个蚱蜢个体的坐标位置；
Figure BDA0002735253940000224
为第m个蚱蜢个体的坐标位置；xn为第n个蚱蜢个体的位置；xm为第m个蚱蜢个体的位置；dmn为第n个蚱蜢个体与第m个蚱蜢个体间的欧式距离；S(|xn-xm|)为第n个蚱蜢个体与第m个蚱蜢个体间的吸引力或排斥力；
Figure BDA0002735253940000225
为当前蚱蜢种群的、最新的、最优蚱蜢个体gbest的位置；c为更新因子；
Figure BDA0002735253940000226
其中，cmax为更新参数的最大值；cmin为更新参数的最小值；l为当前迭代次数；L为预先设定的迭代次数；
将针对蚱蜢种群的、最新的、最优蚱蜢个体的位置转化为坐标形式，记为
Figure BDA00027352539400002211
(K，α)，并提取针对蚱蜢种群的、最新的、最优蚱蜢个体的坐标位置中的K和α，获得参数组合[K，α]＝arg min fitness；
根据获得的参数组合，对最新的最优蚱蜢个体的位置
Figure BDA00027352539400002212
进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数中能量熵最小且能量比值最大的固有模态函数的IMF分量重构特征信号。
再利用一维信号的腐蚀与膨胀操作算子，对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达光电复合海缆的中间位置的时刻t1M与反射行波波头到达光电复合海缆的中间位置的时刻t2M的时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距。
具体地，设算子
Figure BDA0002735253940000227
具有如下表达式：
Figure BDA0002735253940000228
其中，
Figure BDA0002735253940000229
为经提取信号上边沿经结构元素g+处理n次的信号；
Figure BDA00027352539400002210
为经提取信号下边沿经结构元素g-处理n-1次的信号；
Figure BDA0002735253940000231
Figure BDA0002735253940000232
其中，
Figure BDA0002735253940000233
为经提取信号上边沿经结构元素g+提取n次的源信号；
Figure BDA0002735253940000234
为经提取信号下边沿经结构元素g-提取n-1次的源信号；
级联N个算子
Figure BDA0002735253940000235
获得一维信号的腐蚀与膨胀操作算子
Figure BDA0002735253940000236
并根据获得的
Figure BDA0002735253940000237
对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻t1M，和反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻t2M，进而获得t1M和t2M的时间差，再结合该故障点对应的故障行波的波速度v，获取该故障点的位置，实现故障测距：
Figure BDA0002735253940000238
其中，t1M为故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻；t2M为反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻。
图3是蚱蜢算法的迭代收敛图，可以看到图中适应度函数值随迭代次数的增加而趋于收敛，如图3所示，在迭代次数为30次的时候，适应度函数值趋于收敛，此时具有最小能量熵，输出最优分解参数组合[K，α]＝arg min fitness
图4是经最优分解参数组合分解得到多个固有模态函数，并选取其中具有最小能量熵和最大能量比值的IMF2和IMF3重构为特征信号，最能体现故障行波信号的突变特征；
图5是对重构后的特征信号进行能量突变点检测，可以检测到特征信号中的能量突变点，也就是故障电流行波信号(源信号)中的初始行波(X：604，Y：0.5273)和反射行波波头(X：810，Y：0.02871)到达位于光电复合海缆M端的第一电流行波传感器的时刻点做标定，获得时间差，再结合该故障点对应的故障行波的波速度v，获取该故障点的位置，完成故障点的故障位置的测距能量突变点检测，确定故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻t1M，和反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻t2M，进而获得t1M和t2M的时间差，再结合该故障点对应的故障行波的波速度v，获取该故障点的位置，实现故障测距：
利用故障电流行波信号的初始波头与反射波头到达线路中点传感器的路程差恰好等于海缆线路总长的原理，明确此时的光电复合海缆的总长度为40km，初始波头与反射波头时间差为275μs，路程除以时间差得到波速度u＝1.454×108m/s；如图1所示，光电复合海缆的总长度L′＝MN；其中，M和N分别为光电复合海缆的首端和末端；光电复合海缆的M端连接岸基电气设备，光电复合海缆的N端连接水下负载设备；P点作为光电复合海缆的中间位置；
实例选取信号的分解参数寻优迭代图、特征重构信号波形图、重构特征信号检测结果图分别为图3、4和5，由图3、4和5可知，M端的第一电流行波传感器采集到的故障初始行波与初次反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻点分别为截取采样数据中的第604和810点，其得到的时间差(t1M-t2M)为810-604＝206μs；根据公式，获取故障点的发生距离d1：
Figure BDA0002735253940000241
因此，可以计算故障点位置在距光电复合海缆M端14.976km处，与实际的故障点位置距离光电复合海缆M端15km相比，其精度误差为24m，符合实际工程需求。
在其他具体实施例中，还可以计算出故障点位置在距离光电复合海缆N段的距离d2：
Figure BDA0002735253940000242
其中，L′为光电复合海缆的总长度；t1M为故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻；t2M为反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种光电复合海缆故障测距系统，其特征在于，该系统包括：第一电流行波传感器、第二电流行波传感器、故障行波采集器和故障行波综合分析处理器；
岸基电气设备与水下负载通过光电复合海缆连接，第一电流行波传感器安装在岸基电气设备与光电复合海缆的首端的连接处，第二电流行波传感器安装在光电复合海缆的中间位置处；
所述第一电流行波传感器，用于实时采集任一故障点的故障电流行波信号，获得任一故障点的故障数据；所述故障数据包括：故障行波的初始波头和反射波头；
所述第二电流行波传感器，用于判断第一电流行波传感器采集的故障点是否在预先设定的区内故障段内；并根据判断结果，获取与第一电流行波传感器采集的相同故障点的、故障行波的波速度；
所述故障行波采集器，用于根据预先设定的区内故障段，采集每一个故障点的故障数据和对应的故障行波的波速度，并将其通过数据传输网络，传送至故障行波综合分析处理器；
所述故障行波综合分析处理器，用于根据每一个故障点的故障电流行波信号，采用FAVMD算法，获得该故障点的故障初始行波和故障反射行波波头到达时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距；
所述故障行波综合分析处理器的具体实现过程如下：
采用蚱蜢算法对每一个故障点的故障电流行波信号进行分解参数寻优，并根据设置的最优参数组合对故障点的故障电流行波信号进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数，再根据能量比值准则，选取多个中心频率从低到高的固有模态函数重构特征信号；
再利用一维信号的腐蚀与膨胀操作算子，对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达第一电流行波传感的时刻t1M与反射行波波头到达第一电流行波传感的时刻t2M的时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距；
所述采用蚱蜢算法对每一个故障点的故障电流行波信号进行分解参数寻优，并根据设置的最优参数组合对故障点的故障电流行波信号进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数重构特征信号；具体为：
初始化初始固有模态函数
Figure FDA0004193675300000021
初始中心频率
Figure FDA0004193675300000022
初始拉格朗日算子{λ1}，k＝1，n＝1，构造关于拉格朗日算子λ的成本函数J：
Figure FDA0004193675300000023
其中，
Figure FDA0004193675300000024
为固有模态函数；ωk为中心频率；
Figure FDA0004193675300000025
为故障电流行波信号；α为二次惩罚因子；ω为频率变量；
Figure FDA0004193675300000026
为拉格朗日算子关于频率的函数；k为分解层数；n为VMD分解当前所处的迭代次数；
采用涅斯捷罗夫梯度加速法，对拉格朗日算子λ做二次更新；
Figure FDA0004193675300000027
Figure FDA0004193675300000028
其中，
Figure FDA0004193675300000029
为第n次迭代中拉格朗日算子变化量；ρ为动量因子，取值范围为(0，1)；
Figure FDA00041936753000000210
为第n-1次迭代中拉格朗日算子的变化量；η为学习率，取值范围也为(0，1)；
Figure FDA00041936753000000211
为拉格朗日算子λ的成本函数J的梯度；
Figure FDA00041936753000000212
为拉格朗日算子关于频率的函数；τ为更新参数；
获得二次更新后的拉格朗日算子变化量
Figure FDA00041936753000000213
根据
Figure FDA00041936753000000214
更新固有模态函数
Figure FDA00041936753000000215
得到更新后的固有模态函数；
限据
Figure FDA00041936753000000216
更新中心频率ωk，得到更新后的中心频率；
根据
Figure FDA00041936753000000217
更新拉格朗日算子参数，得到二次更新后的拉格朗日算子变化量
Figure FDA00041936753000000218
重复上述过程，进行不断迭代，直至迭代次数耗尽或满足
Figure FDA00041936753000000219
的迭代条件，则停止迭代，并输出迭代分解结果；
其中，所述迭代分解结果包括：多个更新后的中心频率从低到高的固有模态函数；
其中，ε为迭代停止阈值；
上述过程为采用蚱蜢算子位置做快速迭代分解的具体过程；
初始化蚱蜢种群个体数量N、种群维度D、迭代次数L、参数C，算法空间搜索域D维度上的下界ud与上界ld；
初始化蚱蜢种群个体数量N中每个蚱蜢个体的初始位置：
Figure FDA0004193675300000031
其中，
Figure FDA0004193675300000032
为第i个蚱蜢个体在D维空间中的位置；rand为产生(0，1)内随机数的函数；
将分解参数K和α作为第i个蚱蜢个体在二维空间中的坐标位置；
采用最小能量熵作为适应度函数，则蚱蜢种群的适应度函数为：
Figure FDA0004193675300000033
其中，fitness为蚱蜢种群的适应度函数；h为更新后的固有模态函数的个数；
Figure FDA0004193675300000034
其中，Pq为第q个更新后的固有模态函数的能量占更新后的中心频率从低到高的所有固有模态函数的总体能量的比值；
Figure FDA0004193675300000035
其中，imf(q)为更新后的固有模态函数的频域函数；Eq为第q个固有模态函数的能量；E为更新后的中心频率从低到高的所有固有模态函数的总体能量；
根据蚱蜢种群的适应度函数，比较每个蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为最优蚱蜢个体，并更新和记录每个蚱蜢个体的位置；
利用上述快速迭代分解过程，对每个更新后的蚱蜢个体的位置再做快速迭代分解，计算每个更新后的蚱蜢个体的适应度函数值，进而比较多个更新后的蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为更新后的最优蚱蜢个体；
判断此次更新后的最优蚱蜢个体对应的适应度函数值是否小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值：
如果此次更新后的最优蚱蜢个体对应的适应度函数值小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则更新上一次迭代分解得到的更新后的最优蚱蜢个体，将上一次迭代分解得到的更新后的最优蚱蜢个体替换为此次迭代分解得到的更新后的最优蚱蜢个体；
如果更新后的最优蚱蜢个体对应的适应度函数值大于或等于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则不更新；
根据预先设定的迭代次数L，重复上述过程，直至迭代次数耗尽，停止迭代，最终获得针对蚱蜢种群的、最新的、最优蚱蜢个体及其对应的位置；其中，针对蚱蜢种群的、最新的、最优蚱蜢个体记为gbest；
上述迭代结束后，针对蚱蜢种群的、最新的、最优蚱蜢个体的位置表达式为：
Figure FDA0004193675300000041
其中，
Figure FDA0004193675300000042
为迭代结束后，最新的最优蚱蜢个体的位置；
Figure FDA0004193675300000043
为第b个蚱蜢个体的坐标位置；
Figure FDA0004193675300000044
为第m个蚱蜢个体的坐标位置；xb为第b个蚱蜢个体的位置；xm为第m个蚱蜢个体的位置；dmb为第b个蚱蜢个体与第m个蚱蜢个体间的欧式距离；S(|xb-xm|)为第b个蚱蜢个体与第m个蚱蜢个体间的吸引力或排斥力；
Figure FDA0004193675300000045
为当前蚱蜢种群的、最新的、最优蚱蜢个体gbest的位置；c为更新因子；
Figure FDA0004193675300000046
其中，cmax为更新参数的最大值；cmin为更新参数的最小值；l为当前迭代次数；L为预先设定的迭代次数；
将针对蚱蜢种群的、最新的、最优蚱蜢个体的位置转化为坐标形式，记为
Figure FDA0004193675300000047
并提取针对蚱蜢种群的、最新的、最优蚱蜢个体的坐标位置中的K和α，获得参数组合[K，α]＝arg min fitness；
根据获得的参数组合，对最新的最优蚱蜢个体的位置
Figure FDA0004193675300000048
进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数中能量熵最小且能量比值最大的固有模态函数的IMF分量重构特征信号；
所述利用一维信号的腐蚀与膨胀操作算子，对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达第一电流行波传感的时刻t1M与反射行波波头到达第一电流行波传感的时刻t2M的时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距；具体为：
假设算子
Figure FDA0004193675300000051
具有如下表达式：
Figure FDA0004193675300000052
其中，
Figure FDA0004193675300000053
为经提取信号上边沿经结构元素g+处理n次的信号；
Figure FDA0004193675300000054
为经提取信号下边沿经结构元素g-处理n-1次的信号；
Figure FDA0004193675300000055
Figure FDA0004193675300000056
其中，
Figure FDA0004193675300000057
为经提取信号上边沿经结构元素g+提取n次的源信号；
Figure FDA0004193675300000058
为经提取信号下边沿经结构元素g-提取n-1次的源信号；
级联N个算子
Figure FDA0004193675300000059
获得一维信号的腐蚀与膨胀操作算子
Figure FDA00041936753000000510
并根据获得的
Figure FDA00041936753000000511
对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻t1M，和反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻t2M，进而获得t1M和t2M的时间差，再结合该故障点对应的故障行波的波速度v，获取该故障点的位置，实现故障测距：
Figure FDA00041936753000000512
其中，d1为该故障点的位置的故障距离；t1M为故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻；t2M为反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻。
2.根据权利要求1所述的光电复合海缆故障测距系统，其特征在于，所述系统还包括：远程维护子系统，用于分别获取故障行波采集器和故障行波综合分析处理器的暂态信息，实时监测和维护故障行波采集器、故障行波综合分析处理器的运行状态，及时处理相应的故障。
3.根据权利要求1所述的光电复合海缆故障测距系统，其特征在于，所述第二电流行波传感器的具体实现过程如下：
光电复合海缆的首端和末端分别记为M、N；光电复合海缆的中间位置，记为P；第一电流行波传感器安装在首端M，第二电流行波传感器安装在中间位置P；
MP段光电复合海缆的故障区段为区内故障段，PN段光电复合海缆的故障区段为区外故障段；
利用皮尔逊相关系数，判断第一电流行波传感器实时采集的故障点是否为区内故障段：
Figure FDA0004193675300000061
其中，ρX，Y为皮尔逊相关系数；X、Y分别为光电复合海缆中任意两个检测点处的电流信号；σx、σy分别是X、Y的标准差；
Figure FDA0004193675300000062
分别是X、Y的平均值；s为协方差；Xj为光电复合海缆中任意两个检测点中的一个检测点处的电流信号X在第j个采样点处的幅值；Yj为光电复合海缆中任意两个检测点中的另一个检测点处的电流信号Y在第j个采样点处的幅值；
如果ρX，Y＞0，则判定第一电流行波传感器采集的故障点不在预先设定的区内故障段内，删除该故障点；
如果ρX，Y＜0，则判定第一电流行波传感器采集的故障点在预先设定的区内故障段内，获取与第一电流行波传感器采集的相同的故障点的故障电流行波信号的故障行波的波速度；
第二电流行波传感器采集该故障点的故障行波初次从M端传播至P端的时间t1p，以及该故障点的故障行波初次从P端反射回M端的时间t2p，根据已知的MP段的距离，获取该故障点的故障行波的波速度：
Figure FDA0004193675300000063
其中，L′为光电复合海缆的总长度；v为该故障点的故障行波的波速度。
4.一种光电复合海缆故障测距方法，该方法基于上述权利要求1-3中任一所述的光电复合海缆故障测距系统实现，该方法包括：
第一电流行波传感器实时采集任一故障点的故障电流行波信号，获得任一故障点的故障数据；所述故障数据包括：故障行波的初始波头和反射波头；
第二电流行波传感器判断第一电流行波传感器采集的故障点是否在预先设定的区内故障段内；并根据判断结果，获取与第一电流行波传感器采集的相同的故障点的故障电流行波信号的故障行波的波速度；
故障行波采集器根据预先设定的区内故障段，采集每一个故障点的故障数据和对应的故障行波的波速度，并将其通过数据传输网络，传送至故障行波综合分析处理器；
故障行波综合分析处理器根据每一个故障点的故障电流行波信号，采用FAVMD算法，获得该故障点的故障初始行波和故障反射行波波头到达时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距；
所述故障行波综合分析处理器的具体实现过程如下：
采用蚱蜢算法对每一个故障点的故障电流行波信号进行分解参数寻优，并根据设置的最优参数组合对故障点的故障电流行波信号进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数，再根据能量比值准则，选取多个中心频率从低到高的固有模态函数重构特征信号；
再利用一维信号的腐蚀与膨胀操作算子，对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达第一电流行波传感的时刻t1M与反射行波波头到达第一电流行波传感的时刻t2M的时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距；
所述采用蚱蜢算法对每一个故障点的故障电流行波信号进行分解参数寻优，并根据设置的最优参数组合对故障点的故障电流行波信号进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数重构特征信号；具体为：
初始化初始固有模态函数
Figure FDA0004193675300000071
初始中心频率
Figure FDA0004193675300000072
初始拉格朗日算子{λ1}，k＝1，n＝1，构造关于拉格朗日算子λ的成本函数J：
Figure FDA0004193675300000073
其中，
Figure FDA0004193675300000074
为固有模态函数；ωk为中心频率；
Figure FDA0004193675300000075
为故障电流行波信号；α为二次惩罚因子；ω为频率变量；
Figure FDA0004193675300000081
为拉格朗日算子关于频率的函数；k为分解层数；n为VMD分解当前所处的迭代次数；
采用涅斯捷罗夫梯度加速法，对拉格朗日算子λ做二次更新；
Figure FDA0004193675300000082
Figure FDA0004193675300000083
其中，
Figure FDA0004193675300000084
为第n次迭代中拉格朗日算子变化量；ρ为动量因子，取值范围为(0，1)；
Figure FDA0004193675300000085
为第n-1次迭代中拉格朗日算子的变化量；η为学习率，取值范围也为(0，1)；
Figure FDA0004193675300000086
为拉格朗日算子λ的成本函数J的梯度；
Figure FDA0004193675300000087
为拉格朗日算子关于频率的函数；τ为更新参数；
获得二次更新后的拉格朗日算子变化量
Figure FDA0004193675300000088
根据
Figure FDA0004193675300000089
更新固有模态函数
Figure FDA00041936753000000810
得到更新后的固有模态函数；
根据
Figure FDA00041936753000000811
更新中心频率ωk，得到更新后的中心频率；
根据
Figure FDA00041936753000000812
更新拉格朗日算子参数，得到二次更新后的拉格朗日算子变化量
Figure FDA00041936753000000813
重复上述过程，进行不断迭代，直至迭代次数耗尽或满足
Figure FDA00041936753000000814
的迭代条件，则停止迭代，并输出迭代分解结果；
其中，所述迭代分解结果包括：多个更新后的中心频率从低到高的固有模态函数
其中，ε为迭代停止阈值；
上述过程为采用蚱蜢算子位置做快速迭代分解的具体过程；
初始化蚱蜢种群个体数量N、种群维度D、迭代次数L、参数C，算法空间搜索域D维度上的下界ud与上界ld；
初始化蚱蜢种群个体数量N中每个蚱蜢个体的初始位置：
Figure FDA00041936753000000815
其中，
Figure FDA0004193675300000091
为第i个蚱蜢个体在D维空间中的位置；rand为产生(0，1)内随机数的函数；
将分解参数K和α作为第i个蚱蜢个体在二维空间中的坐标位置；
采用最小能量熵作为适应度函数，则蚱蜢种群的适应度函数为：
Figure FDA0004193675300000092
其中，fitness为蚱蜢种群的适应度函数；h为更新后的固有模态函数的个数；q为迭代分解后得到的固有模态函数的个数；
Figure FDA0004193675300000093
其中，Pq为第q个更新后的固有模态函数的能量占更新后的中心频率从低到高的所有固有模态函数的总体能量的比值；
Figure FDA0004193675300000094
其中，imf(i)为更新后的固有模态函数的频域函数；Ei为第i个固有模态函数的能量；E为更新后的中心频率从低到高的所有固有模态函数的总体能量；
根据蚱蜢种群的适应度函数，比较每个蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为最优蚱蜢个体，并更新和记录每个蚱蜢个体的位置；
利用上述快速迭代分解过程，对每个更新后的蚱蜢个体的位置再做迭代分解，计算每个更新后的蚱蜢个体的适应度函数值，进而比较多个更新后的蚱蜢个体的适应度函数值，选取适应度函数值最小的蚱蜢个体，即最小能量熵，作为更新后的最优蚱蜢个体；
判断此次更新后的最优蚱蜢个体对应的适应度函数值是否小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值：
如果此次更新后的最优蚱蜢个体对应的适应度函数值小于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则更新上一次迭代分解得到的更新后的最优蚱蜢个体，将上一次迭代分解得到的更新后的最优蚱蜢个体替换为此次迭代分解得到的更新后的最优蚱蜢个体；
如果更新后的最优蚱蜢个体对应的适应度函数值大于或等于上一次迭代分解得到的更新后的最优蚱蜢个体对应的适应度函数值，则不更新；
根据预先设定的迭代次数L，重复上述过程，直至迭代次数耗尽，停止迭代，最终获得针对蚱蜢种群的、最新的、最优蚱蜢个体及其对应的位置；其中，针对蚱蜢种群的、最新的、最优蚱蜢个体记为gbest；
上述迭代结束后，针对蚱蜢种群的、最新的、最优蚱蜢个体的位置表达式为：
Figure FDA0004193675300000101
其中，
Figure FDA0004193675300000102
为迭代结束后，最新的最优蚱蜢个体的位置；
Figure FDA0004193675300000103
为第b个蚱蜢个体的坐标位置；
Figure FDA0004193675300000104
为第m个蚱蜢个体的坐标位置；xb为第b个蚱蜢个体的位置；xm为第m个蚱蜢个体的位置；dmb为第b个蚱蜢个体与第m个蚱蜢个体间的欧式距离；S(|xb-xm|)为第b个蚱蜢个体与第m个蚱蜢个体间的吸引力或排斥力；
Figure FDA0004193675300000105
为当前蚱蜢种群的、最新的、最优蚱蜢个体gbest的位置；c为更新因子；
Figure FDA0004193675300000106
其中，cmax为更新参数的最大值；cmin为更新参数的最小值；l为当前迭代次数；L为预先设定的迭代次数；
将针对蚱蜢种群的、最新的、最优蚱蜢个体的位置转化为坐标形式，记为
Figure FDA0004193675300000107
并提取针对蚱蜢种群的、最新的、最优蚱蜢个体的坐标位置中的K和α，获得参数组合[K，α]＝arg min fitness；
根据获得的参数组合，对最新的最优蚱蜢个体的位置
Figure FDA00041936753000001012
进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数中能量熵最小且能量比值最大的固有模态函数的IMF分量重构特征信号；
所述利用一维信号的腐蚀与膨胀操作算子，对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达光电复合海缆的中间位置的时刻t1M与反射行波波头到达光电复合海缆的中间位置的时刻t2M的时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距；具体为：
假设算子
Figure FDA0004193675300000108
具有如下表达式：
Figure FDA0004193675300000109
其中，
Figure FDA00041936753000001010
为经提取信号上边沿经结构元素g+处理n次的信号；
Figure FDA00041936753000001011
为经提取信号下边沿经结构元素g-处理n-1次的信号；
Figure FDA0004193675300000111
Figure FDA0004193675300000112
其中，
Figure FDA0004193675300000113
为经提取信号上边沿经结构元素g+提取n次的源信号；
Figure FDA0004193675300000114
为经提取信号下边沿经结构元素g-提取n-1次的源信号；
级联N个算子
Figure FDA0004193675300000115
获得一维信号的腐蚀与膨胀操作算子
Figure FDA0004193675300000116
并根据获得的
Figure FDA0004193675300000117
对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻t1M，和反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻t2M，进而获得t1M和t2M的时间差，再结合该故障点对应的故障行波的波速度v，获取该故障点的位置，实现故障测距：
Figure FDA0004193675300000118
其中，d1为该故障点的位置的故障距离；t1M为故障点的故障电流行波信号的初始行波到达位于光电复合海缆M端的第一电流行波传感器的时刻；t2M为反射行波波头到达位于光电复合海缆M端的第一电流行波传感器的时刻。
5.根据权利要求4所述的光电复合海缆故障测距方法，其特征在于，所述故障行波综合分析处理器根据每一个故障点的故障电流行波信号，采用FAVMD算法，获得该故障点的故障初始行波和故障反射行波波头到达时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距具体为：
采用蚱蜢算法对每一个故障点的故障电流行波信号进行分解参数寻优，并根据设置的最优参数组合对故障点的故障电流行波信号进行快速迭代分解，分解得到多个中心频率从低到高的固有模态函数；再根据能量比值准则，选取多个中心频率从低到高的固有模态函数重构特征信号，再利用一维信号的腐蚀与膨胀操作算子，对特征信号进行能量突变点检测，确定故障点的故障电流行波信号的初始行波到达第一电流行波传感的时刻t1M与反射行波波头到达第一电流行波传感的时刻t2M的时间差，并结合该故障点对应的故障行波的波速度，获取该故障点的位置，实现故障测距。
CN202011131291.XA 2020-10-21 2020-10-21 一种光电复合海缆故障测距系统及故障测距方法 Active CN112305378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011131291.XA CN112305378B (zh) 2020-10-21 2020-10-21 一种光电复合海缆故障测距系统及故障测距方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011131291.XA CN112305378B (zh) 2020-10-21 2020-10-21 一种光电复合海缆故障测距系统及故障测距方法

Publications (2)

Publication Number Publication Date
CN112305378A CN112305378A (zh) 2021-02-02
CN112305378B true CN112305378B (zh) 2023-05-30

Family

ID=74326829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011131291.XA Active CN112305378B (zh) 2020-10-21 2020-10-21 一种光电复合海缆故障测距系统及故障测距方法

Country Status (1)

Country Link
CN (1) CN112305378B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113406436B (zh) * 2021-06-17 2022-08-26 山东大学 基于5g通信的交直流输电线路行波故障测距方法及系统
CN114200250A (zh) * 2021-12-15 2022-03-18 南方电网科学研究院有限责任公司 一种行波检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105783887A (zh) * 2016-05-31 2016-07-20 中国科学院声学研究所南海研究站 一种基于北斗卫星系统的海洋水文监测系统
CN110658420A (zh) * 2019-11-01 2020-01-07 国网江苏省电力有限公司徐州供电分公司 一种小波变换和时间搜索策略的混合输电线路双端行波故障测距方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62105058A (ja) * 1985-11-01 1987-05-15 Kokusai Denshin Denwa Co Ltd <Kdd> 光海底ケ−ブルの障害点検出方式
CN102680860B (zh) * 2012-06-08 2015-02-25 东华理工大学 一种高压电力线路行波测距用故障点自动定位方法
CN103901324B (zh) * 2014-04-14 2016-09-21 国家电网公司 一种基于单端故障信息的配电网混合线路组合式测距方法
CN105137281B (zh) * 2015-08-13 2018-06-12 国家电网公司 一种基于单端电气量及暂态行波综合特征分析的混合线路故障点定位方法
WO2017125145A1 (en) * 2016-01-20 2017-07-27 Abb Schweiz Ag Fault detection of a transmission line
CN106093702B (zh) * 2016-06-06 2019-04-12 南京理工大学 一种考虑多点故障的高压输电线路行波测距方法
CN106771871A (zh) * 2016-12-28 2017-05-31 江苏大学 一种基于vmd与柔性形态学的输电线路故障行波测距方法
KR101926995B1 (ko) * 2017-10-24 2018-12-07 한국전력공사 지중케이블 고장위치 탐지 장치 및 그 방법
CN109188210A (zh) * 2018-10-23 2019-01-11 国网江苏省电力有限公司徐州供电分公司 一种基于VMD-Hilbert变换的城市电力电缆双端故障测距方法
CN109490706B (zh) * 2018-11-13 2021-04-09 国电电力河北新能源开发有限公司 一种多分支输电线路故障定位方法
CN111504866A (zh) * 2020-05-06 2020-08-07 中国科学院声学研究所南海研究站 一种环境因子综合监测系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105783887A (zh) * 2016-05-31 2016-07-20 中国科学院声学研究所南海研究站 一种基于北斗卫星系统的海洋水文监测系统
CN110658420A (zh) * 2019-11-01 2020-01-07 国网江苏省电力有限公司徐州供电分公司 一种小波变换和时间搜索策略的混合输电线路双端行波故障测距方法

Also Published As

Publication number Publication date
CN112305378A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN111898634B (zh) 一种基于深度对抗域自适应的智能故障诊断方法
CN112305378B (zh) 一种光电复合海缆故障测距系统及故障测距方法
CN109856969B (zh) 一种基于bp神经网络模型的故障预测方法及预测系统
CN108760302A (zh) 一种风力发电机组轴承的在线监测与故障诊断系统
CN107505396A (zh) 一种结构损伤在线实时监测方法及系统
CN107390097A (zh) 一种gis声电联合局部放电仿真检测系统及其检测方法
CN111412977A (zh) 一种机械设备振动感知数据的预处理方法
CN113049084A (zh) 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法
CN108152676B (zh) 一种基于智能体的配电网故障定位方法及系统
CN110440148B (zh) 一种漏损声信号分类识别方法、装置及系统
CN116702093B (zh) 一种基于大数据数据融合的海上目标定位方法
CN112327104B (zh) 一种含分布式电源配电网的故障检测与定位方法
CN113589100A (zh) 基于双向长短期记忆和注意力机制的异常放电识别方法
CN115267428B (zh) 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法
CN115797772A (zh) 一种架空输电线路覆冰厚度分类预警方法及系统
CN114062839A (zh) 一种铁路电力线路故障定位装置及其方法
CN107179473A (zh) 一种输电线路故障定位方法
Deng et al. A single-ended fault location method for transmission line based on full waveform features extractions of traveling waves
CN116259161B (zh) 一种电力故障预警系统
CN113156278A (zh) 一种基于cnn网络的gis局部放电定位方法
Yan et al. Fault location for 10kV distribution line based on traveling wave-ANN theory
CN109799423B (zh) 一种电缆故障在线诊断的方法
TWI379093B (en) Method and portable device for fault diagnosis of photovoltaic power generating system
Akbari et al. Fault Detection, Classification, and Location in VSC-HVDC Systems Using Metaheuristic Optimized ANFIS and Hilbert Huang Transform Method
CN104809350A (zh) 海洋垃圾和生物个体的区分方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant